基于BP神经网络的道岔智能故障诊断方法

（兰州交通大学自动化与电气工程学院，1.硕士研究生；2.教授，甘肃兰州

730070；

3.广州铁路集团公司怀化电务段，助理工程师，湖南怀化

418000）

基于BP 神经网络的道岔智能故障诊断方法

王铁军1，董

昱2，马彩霞3，沈成禄1，崔宁宁1

摘要：为将神经网络技术运用在铁路道岔故障诊断领域，提出了以神经网络技术为基准，针对道岔常见

的3个故障类分别建立3个子神经网络，并总体组建成一个并行神经网络系统的道岔智能故障诊断方法，以帮助维修人员快捷、准确、自动地诊断出故障原因，降低故障处理时间，提高运行效率。

关键词：道岔智能故障诊断；BP 神经网络；道岔监测系统；网络模型中图分类号：U284.91

文献标识码：A

文章编号：1006-8686（2011）02-0004-04

目前，我国高速铁路营运里程达到7055km ，沪杭高铁试运行最高时速达到416.6km 。更高的列车运行速度，对铁路关键设备——道岔提出了更高的要求。目前，我国的道岔监测设备主要是微机监测系统和某铁路研究设计院正在研发并已上道实验的道岔监测系统。这2个系统现都只提供道岔各组成设备的在线监测信息和故障报警，缺少对设备的智能故障诊断功能。道岔设备的各种故障征兆参数之间关系复杂并且非线性。传统的故障诊断方法对于非线性关系，数学模型较难建立并且诊断结果不够理想。而BP 神经网络则具有很好的非线性映射、自学习能力和对环境的自适应能力等特点，能较好满足道岔故障诊断领域的要求。为了指导维修工作，对道岔设备状态修提供完善的技术支持，智能故障诊断，已成为道岔监测设备的重中之重〔1〕。因此，在道岔监测系统提供的数据基础上，提出一种基于BP 神经网络的道岔智能故障诊断方法。该方法可用来估计故障的发展程度和区分故障的类型，指导维修工作。

1人工神经网络概述

1.1

人工神经网络定义

人工神经网络是受生物

神经网络的启发构造而成，它是在对生物神经网络认识的基础上，把分子和细胞技术所达到的微观层次与行为研究所达到的系统层次结合起来，以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，称为人工神经网络ANN 〔2〕。其中误差反传网络（BP 网络）是常用的一种。1.2

人工神经网络工作原理

ANN 由简单的神经

元（信息处理单元）互联组成，能接受并处理信息。虽然单个神经元只能进行十分简单的信息处理，但多个神经元连接而成的网络却具有强大的计算能力。网络的信息处理是由处理单元之间的相互作用实现。改变神经元之间的连接方式和连接强度就可以改变神经网络的计算效果，知识与信息的存储，则表现为处理单元之间分布式的物理联系〔2〕。

BP 网络是一种多层前馈神经网络。它由3层

神经元构成，分别为输入层、隐含层和输出层。输入层神经元节点个数等于采集数据的特征向量维数，

输出层神经元节点数取决于所需要的类别数。根据BP 网络隐含层设计的经验，隐含层单元数目可根据需要和对神经网络结构的优化而设置。1.3

人工神经网络特点神经网络是一门高度综合

的交叉学科，它涉及到神经生理科学、数理科学、信息科学和计算机科学等众多学科领域。其特点如下：1）分布式存储。其具有良好的容错性与联想记

忆功能。神经网络记忆的信息是存储在神经元之间的权值中。个别神经元和权值的损坏不会对信息特

征造成太大影响，这使得网络具有良好的容错性。

2）相对于专家系统的知识获取“瓶颈”问题，神

经网络可以通过训练和学习来获得网络的权值与结

4

构，呈现出很强的自学习能力和对环境的自适应能力。3）诊断耗时少。神经网络将领域专家的启发式知识和经验分布存储于神经元的互连中，不做成专门的知识库，在线诊断时，不再像专家系统和模糊控制那样进行规则的匹配搜索，从而大大减少诊断耗时。

1.4并行BP神经网络系统并行BP网络是通过多个BP子神经网络对多个特征值分类，每个子神经网络诊断一类故障，结构如图1所示。有多少类故障，就有多少个子网络与之对应。其优点是每个子网络结构相对来说比较简单，训练迅速，而且子网络间互不影响，尤其是当有新的故障发生时，只需要简单地增加一个训练好的子网络，即可识别新故障，而不用像单子网络一样全部重新学习，这样就大大提高网络的扩展能力和学习能力。

1

2

3

图1并行神经网络示意图

2智能故障诊断方法的可行性

由于神经网络有如上特点，在道岔现场复杂的环境下，运用BP神经网络诊断故障的方法具有切实的可行性。

2.1满足诊断道岔设备故障的现场需求BP神经网络的非线性映射能力和自学习能力，能较好地处理道岔设备的运行状态与其各种故障征兆参数之间的复杂关系。其良好的鲁棒性、实时性，能较好地满足道岔对可靠性、安全性和实时性的要求。

2.2解决信息融合的不匹配问题道岔监测系统采用的传感器属于异类多传感器类。由于此类各传感器时间或空间不同步、测量维数不匹配和测量数据差距过大等问题，导致各属性层融合达不到理想效果。而运用BP神经网络可以有效避免以上问题，使各传感器信息在公共数据空间内进行融合，在多故障诊断中可得到较好的置信度〔3〕。

2.3学习样本充足神经网络没有任何规则，它通过大量样本对网络进行多次训练来改变网络中的连接权值，只有通过多次训练才能达到理想的效果。因此，充足的学习样本是训练神经网络的关键。而道岔监测系统可以提供完善的状态监测信息，使系统训练样本充足，确保了对BP神经网络模型的可靠训练〔1〕。

3道岔智能故障诊断的实现

根据现场维修人员对道岔设备故障积累的宝贵经验，把道岔的典型故障分为3类：道岔密贴不良、道岔转换故障、道岔电路故障。

采用并行BP神经网络建立网络模型，每类故障建立1个子神经网络模型，第三个子神经网络中另建立3个次级子神经网络，总体组建成一个并行BP 神经网络的信息融合系统。各子网络均采用改进

BP算法以加快收敛速度，最后采用设置双阈值的方法进行故障前预警和故障后诊断。

诊断步骤如下：首先从道岔监测系统中获取道

岔监测数据，对数据进行特征提取后通过诊断模块得出诊断结果。如果遇到新故障，则通过学习模块对相应子网络进行重新训练以完善诊断模块。如图

图2道岔智能故障诊断步骤示意图

以Visual C++和MATLAB作为实现故障诊断的工具软件。用户交互界面由Visual C++开发完成，在与MATLAB进行数据交换后，使用MATLAB神经网络工具箱进行后台运算处理〔4〕。

3.1道岔密贴不良故障类诊断道岔密贴不良是道岔最为常见的故障。据统计，在武广客专联调联试阶段，密贴不良故障占总故障的18.7%。尖轨密贴必须保证4mm不锁闭、2mm锁闭要求，否则可能导致道岔不能正常锁闭或列车颠覆等重大事故。3.1.1道岔密贴不良故障原因根据维修人员多年的现场经验，密贴不良常由道岔不方正、尖轨爬行、轨距变化、外锁闭调整不良、缺口不合格5种故障原因导致。当整体道床振动过大时将导致基础螺栓松

5